[游戏开发]某机构Python之 Numpy-Pandas-Matplotlib 视频笔记

第二部分—Numpy科学计算库基础

第一章–基本操作

第一节 数组创建

import numpy as np
arr = np.array([1,2,3,4,5])#生成一个array对象，这个对象是一维数组
np.ones(10) #10生成10个1的一维数组
np.zeros(10) #10生成10个0的一维数组
np.full(shape=[x,y],fill_value=10) #生成x行，y列的值全为10的数组

np.arrange(start= x, end = y, step = z) #从x 开始升序生成一个数组，到y结束(不包括y)，步长为z
np.linspace(start= x, end = y, num = z) #从x 开始升序生成一个数组，到y结束(包括y)，等差为z

np.random.randint(x, y, size = z) #从x到y随机生成长度为z的整数数组

np.random.random(x) 
np.random.rand() #通过本函数可以返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)，不包括1。 
				 #注：使用方法与np.random.randn()函数相同 
np.random.randn(d0,d1,d2……dn) 
	1 当函数括号内没有参数时，则返回一个浮点数； 
	2 当函数括号内有一个参数时，则返回秩为1的数组，不能表示向量和矩阵； 
	3 当函数括号内有两个及以上参数时，则返回对应维度的数组，能表示向量或矩阵； 
	4 np.random.standard_normal（）函数与np.random.randn()类似，但是np.random.standard_normal（）
	  的输入参数为元组（tuple）. 
	5 np.random.randn()的输入通常为整数，但是如果为浮点数，则会自动直接截断转换为整数。

第二节 查看操作

1.2.1 数组的轴数，维度

arr.ndim()

1.2.2数组的尺寸和形状

arr.shape # 形状

arr.size  #大小尺寸
arr.dtype #数据类型 如int64
arr.itemsize 

第三节 文件IO操作

1.3.1保存数组

x = np.random.randn(5)
y = np.random.randn(5)
np。save("xarr",x) #保存一个
np.save("arr.npz",xarr = x, yarr = y) #保存多个，存成文件

np.load("arr.npz")
np.load("arr.npz")["yarr"]

1.3.2读取csv,txt 文件

np.loadtxt("arr.txt",delimiter = ",", dtype = np.int32)
np.savetxt("arr.txt",delimiter = ",")

第二章-- 数据类型

ndarray的数据类型：

int: int8, uint8, int32 , int64

float: float16. float32, float64

str

2.1.1 array的创建和指定

np.array([1,2,3], dtype = "float32")
np.asarray([1,2,3], dtype = "float32") #与上面一样

2.1.2 数据类型转换 astype

arr.astype("float32")

第三章 数组运算

3.1.1 加减乘除幂

arr1 + arr2
arr1 - arr2
arr1 * arr2
arr1 / arr2
arr1 ** arr2 #幂

3.1.2 逻辑运算

arr1 > arr2arr1 < arr2arr1 >= arr2arr1 == arr2

3.1.3 数组与标量的运算

数组和标量的运算会将标量传到数组每一个值

arr1 + 5

3.1.4 *=，+=，-=

arr1 += arr2arr1 -= arr2arr1 *= arr2

第四章–复制和视图

4.1.1 完全没有复制

a = np.array([])b = ab is a #true a和b是不同变量名指向同一内存对象

4.1.2 查看或浅拷贝

不同的数组对象分享同一个数据。视图方法创造一个新的数组对象指向同一数据。

视图和源数据，数据用的同一内存，但是组织形式不同。

b = a.view()

4.1.3 深拷贝

b = a.clone()b.base is a #base 用于判断数组中的数据是否来自于别的数组
a.flags.owndata
b.flags.owndata 
#flags.owndata 用于判断数组是否是数据的所有者

#ndarray.flags 返回 ndarray 对象的内存信息，包含以下属性：
属性描述
C_CONTIGUOUS (C)数据是在一个单一的C风格的连续段中
F_CONTIGUOUS (F)数据是在一个单一的Fortran风格的连续段中
OWNDATA 	 (O)数组拥有它所使用的内存或从另一个对象中借用它 
WRITEABLE    (W)数据区域可以被写入，将该值设置为 False，则数据为只读ALIGNED      (A)数据和所有元素都适当地对齐到硬件上
UPDATEIFCOPY (U)这个数组是其它数组的一个副本，当这个数组被释放时，原数组的内容将被更新

第五章–索引，切片和迭代

第一节 基本索引和切片

arr[:]arr[::2] #步长，每两个取一个/隔一个取一个

第二节 花式索引和所有技巧

arr1 = np.array([1,2,3,5,8,8,6,6,4,8,8])
arr2 = arr1[[1,5,2,6,5,5,2]]arr[::2] #步长，每两个取一个/隔一个取一个boolean 值索引
name = np.array(['A','b','c','e','e','f','g'])
c = name == 'A'

第六章–形状操作

第一节 数组变形

arr.reshape(4,3)arr.reshape(-1,3) #自动整形

第二节 数组转置

arr.Tnp.transpose(arr,axis = (2,0,1))
#后面的axes相当于转换维度，原本是（0，1，2）

第三节 数组迭代

np.concatenate(arr1,arr2, axis = 0) # 水平方向数组合并
np.concatenate(arr1,arr2, axis = 1) # 垂直方向数组合并
np.hstack(arr1,arr2) # 水平方向数组合并
np.vstack(arr1,arr2) # 垂直方向数组合并

第四节 数组拆分：split

np.split(arr, indices_or_sections = 2, axis = 0) # 按水平方向从第二行开始切分
np.split(arr, indices_or_sections = [2,3], axis = 1) # 按垂直方向从第二列到第二列（左开右闭）开始切分

np.hsplit(arr1, indices_or_sections = 2)  # 水平方向数组合并
np.vsplit(arr1, indices_or_sections = [2,3]) # 垂直方向数组合并

第七章–广播机制

个人感觉广播就是矩阵相加减

第八章 --通用函数

np.sqrt(arr)

np.square(arr)

np.maximum(arr)

np.inner() #向量内积

where

个人感觉就是Java的三元表达式

cond = np.array([True, False, True, False, True])

np.where(cond, arr1, arr2)np.where(arr < 15, arr, 100)

排序

arr.sort()

np.sort(arr)

arr.argsort()#这个有点问题。。。

集合运算

np.intersectld(A, B)  #取交集np.unionld(A, B)  #取并集

np.setidffld(A, B)  #取差集,取a中有，b没有

第九章–线性代数

矩阵乘积

np.dot(A, B)

矩阵其他计算

inv(A)   --求逆矩阵det(A)   --行列式

第十章 实战–用numpy分析鸢尾花各项特征

第三部分-- Pandas数据分析库

第一章 课程介绍

主要用于python 数据分析和建模部分

pandas是python的核心数据分析支持库

pandas主要数据结构是Series（一维数据）和DataFrame（二维数据）

处理数据主要分为几个阶段：

? 数据整理和清洗，数据分析与建模，数据可视化与制表

第二章 数据结构

第一节 Series

Series([data, index, dtype, name, copy, …])

l = [o,1,7,9,np.NaN , None , 1024,512] #这里l没什么用

s1 = pd.Series(data = 1)
s2 = pd.Series(data = 1, index = list("abcdefhi"), 
			   dtype = "int32")
s3 = pd.Series(data = {"a":99 , "b":137 ,"c":149}
			   , name = "Python_score")

display(s1,s2,s3)

第二节 DataFrame

平均值，标准差，min，max，四分之几位数

df = pd.DataFrame(data = np.random.randint(0,151,size = (150,3)),
				  index ='None',#行索引默认                  
				  columns=['Python','Math', 'En'])#列索引

df.head( ) 前面
df.tail( ) 后面
df.shape #类型

df.dtypes
df.index
df.columns
df.describe
df.info()

第三章 csv

df = pd.DataFrame(data = np.random.randint(0,50,size = [50,5]),
				  columns = ['IT','化工','生物','教师','士兵'])
df.to_csv("./salary.csv",sep=";", header=True, index= True)
pd.read_csv("./salary.csv",sep=";",header=[0],index_col= 0)
pd.read_table("./salary.csv",sep=";",header=[0],index_col= 1)

第四章 Excel

df1 = pd.DataFrame(data = np.random.randint(0,50,size = [50,5]),                 
				  columns = ['IT','化工','生物','教师','士兵'])

df2 = pd.DataFrame(data = np.random.randint(0,50,size = [50,5]),
				   columns =['Python','TensorFlow','Keras'])
df2.to_excel("./ide.csv", header=True, index= False)

pd.read_excel("./salary.xls",sheet_name = 0, 
				header= 0, names = list('ABCDE'),index_col= 1)
pd.read_table("./salary.xls",sep=";",header=[0],index_col= 1)

#一个Excel文件中保存多个工作表

with pd.Excelwriter("./data.xlsx") as writer: 
	df1.to_excel(writer ,sheet_name="salary" , index = False)
	df2.to_excel(writer ,sheet_name="ide" , index = False)

pd.read_excel("./data_excel_csv/data.xlsx",sheet_name= None) 
#注意：当sheet_name = none时才输出一个文件中所有表

第五章 数据获取

第一节 标签选择

df = pd.DataFrame(data = np.random.randint(0,150,size = [10,3]),
				  index = list("ABCDEFGHIJ"),
				  columns=["Python", "Tensorflow", "Keras"])

df.loc[["A", "B", "c", "D", "F"]]
df.loc["A" : "E", ["Python", "Tensorflow"]]
df.loc[:, ["Keras", "Tensorflow"]]
df.loc["E"::2, ["python", "Tensorflow"]]

第二节 获取数据

df["python"]
df.Python
df[["Python", "Tensorflow"]]
df[3 : 15]

一开始以为，

以下三节都没讲，于是我找到了相应链接：https://www.cnblogs.com/ljhdo/p/14091198.html

.iloc 对应第三节
链接里的布尔索引对应第四节
第五节没有

请跳到06看以下三节

第三节 位置选择

#就是我找的iloc
df.iloc[4]
df.iloc[2:8, 0:2]
df.iloc[[1,3,5], [0,2,1]]
df.iloc[1:3, :]
df.iloc[:, :2]
df.iloc[0, 2]

第四节 Boolean索引

看我上面链接算了

第五节 赋值操作

果然是很简单的

df["PyTorch"] = s
df.loc["A", "Python"] = 256
df.iloc[3,2] = 512

第六章 数据集成

第一节 concat 数据串联

pd.concat([df1, df2], axis = 0)#感觉像数据库合并的操作

第二节 插入(更像是数据库的操作了)

pd.merge(df1, df2, how = axis = 0)#感觉像数据库合并的操作

pd.merge(left, right, how='inner',
		 on=None, left_on=None, right_on=None,
		 left_index=False, right_index=False, 
		 sort=True, 
		 suffixes=('_x', '_y'), 
		 copy=True, indicator=False,
		 validate=None)
# 详细解释在下面链接# https://blog.csdn.net/brucewong0516/article/details/82707492

pd.round(n)方法返回 x 的小数点四舍五入到n个数字

??第七章 数据清洗（重点）但还是讲的很差

#1、重复数据过滤
df.duplicated()  #是对全部行进行查重，return (重复了) 的数据
df.drop_duplicates()  #函数是将所有重复的数据都去掉了，且默认保留重复数据的第一条。

#具体解释看链接 https://blog.csdn.net/weixin_43852674/article/details/87717191

#2、空数据过滤
df.isnull # 可以用来判断缺失值
#详细：https://blog.csdn.net/qq_40825479/article/details/83544430df.dropna(how = "any") #主要用于滤除缺失数据。

df.fillna(value = x)  
#填充  详细https://blog.csdn.net/weixin_39549734/article/details/81221276

#3、指定行和列过滤
del df["color"]df.drop(labels = ["xxx"],axis = 1)

#4、filter() 过滤
df.filter(items = ["xxx", "xxx"])

#5、异常值过滤视频就是将上面的几点组合做了个例子

第四部分-- Matplotlib 数据可视化

第一章 课程介绍

Matplotlib是一个Python的 2D给图库，它交互式环境生成出版质量级别的图形。通过 Matplotlib这个标准类库，开发者只需要几行代码就可以实现生成绘图，折线图、散点图、柱状图、饼图、直方图、组合图等数据分析可视化图表。

第二章 图像知识

第一节 图像绘图

import numpy as np
import matplotlib.pyplot as plt
#1。图形绘制
x = np.linspace(0, 2 * np.pi)
y = np.sin(x)
plt.figure()
plt.legend()#给图像加上图例。

plt.tick_params(axis='x',colors='white')
plt.tick_params(axis='y',colors='white')  #设置坐标轴颜色

plt.xlim(-5,5) #轴范围
plt.ylim(-1,1)
plt.grid(linestyle = "--",color="green", alpha = 0.75)#网格线
plt.axis([a, b, c, d]) #设置x轴的范围为[a, b]，y轴的范围为[c, d]

第二节 图例

import numpy as np
import matplotlib.pyplot as plt
#1。图形绘制
x = np.linspace(0, 2 * np.pi)
y = np.sin(x)
plt.figure()

#新知识点：设置坐标轴颜色
plt.tick_params(axis='x',colors='white')
plt.tick_params(axis='y',colors='white')

plt.xlim(-5,5) #轴范围
plt.ylim(-1,1)
plt.grid(linestyle = "--",color="green", alpha = 0.75)#网格线
plt.axis([a, b, c, d]) #设置x轴的范围为[a, b]，y轴的范围为[c, d]

第三节 图片保存

import numpy as np
import matplotlib.pyplot as plt

#知识点
ax = plt.gca() #简单来说就是操纵坐标轴的
#gca()详解看链接  https://zhuanlan.zhihu.com/p/110976210

plt.savefig("./xxx.png",dpi = 100, facecolor = 'violet',
			edgecolor= 'lightgreen')

🔺合并坐标轴

#合并数轴操作：
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data',0))

ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0))

ax.xaxis.set_ticks_position('top')
ax.spines['top'].set_position(('data',0))

ax.yaxis.set_ticks_position('right')
ax.spines['right'].set_position(('data',0))

第三章 风格和样式

第一节 颜色、线形、点形和透明度

#法一
plt.plot(x, y, '这里直接输入字符串即可表示颜色，线性，点形')

#法二，各自单独写
plt.plot(x, y, color='', ls='', market='')

#详解：
https://blog.csdn.net/weixin_43569478/article/details/107421677
https://zhuanlan.zhihu.com/p/258106097

第二节 更多属性设置

看上面链接即可

第四章–多图布局

第一节 子视图

plt.subplot(221) #两行两列图片为第一个位置
plt.sca(axex) #指定绘图区域
#figure就是一个图，axes表示图上的一个画图区域，
#一个图上可以有多个画图区域，意思就是说，一个图上可以有多个子图。

#用函数gcf(）与gca()分别得到当前的figure与axes。
#（get current figure, get current axes).

#利用sca()函数实现把一个axes对象作为当前的axes，
#axes对象为figure对象的一个属性，
#当切换了axes,figure肯定也切换了。

第二节 嵌套

plt.axes([a,b,c,d])
#axes的用法和subplot是差不多的，四个参数的话，
#前两个指的是相对于坐标原点的位置，后两个指的是坐标轴的长/宽度

#详解：plt.axes()和plt.axis()区别 https://blog.csdn.net/u012413709/article/details/106503159	
#感觉和上面差不多，没什么区别，也是子图

第三节 多图布局分格显示

fig,((ax11,ax12,ax13),(ax21,ax22,ax23),(ax31,ax32,ax33)) = plt.subplots(3,3) #视频写法，没见过fig.set_figwidth(9)
fig.set_figheight(6)
ax11.plot(x,np.sin(x))
ax12.plot(x,np.cos(x))
ax13.plot(x,np.tanh(x))
ax21.plot(x,np.tan(x))
ax22.plot(x,np.cosh(x))
ax23.plot(x,np.sinh(x))
ax31.plot(x,np.sin(x) +np.cos(x))
ax32.plot(x,np.sin(x * x) +np.cos(x * x))
ax33.plot(x,np.sin(x)*np.cos(x))
plt.tight_layout()plt.show( )

#我自己找了一个：
#https://www.cnblogs.com/coder-yy/p/14890446.html

#找到了" fig, ax = plt.subplots() "的资料,
#搜索关键词就是左边双引号内
https://www.cnblogs.com/komean/p/10670619.html
https://blog.csdn.net/htuhxf/article/details/82986440

第四节 不均匀分布

#法一
x = np.linspace(0, 2 * np.pi, 10)
fig = plt.figure(figsize = (12,9))
ax1 = plt.subplot(3,1,1)
ax1.plot(x,np.sin(10 * x))
ax1.set_title('ax1_title')
ax2 = plt.subplot(3, 3, (4, 5))
ax2.set_facecolor('green')
ax2.plot(x,np.cos(x), color = 'red')
ax3 = plt.subplot(3, 3, (6, 9))
ax3.plot(x, np.sin(x) + np.cos(x))
ax4 = plt.subplot(3,3,7)
ax4.plot( [1,3],[2,4])
ax5 = plt.subplot(3,3,8)
ax5.scatter([1,2,3],[0,2,4])
ax5.set_xlabel('ax5_x', fontsize = 12)
ax5.set_ylabel('ax5_y', fontsize = 12)
plt.show( )

#法二
x = np.linspace(0, 2 * np.pi, 10)
fig = plt.figure(figsize = (12,9))
#子图1
ax1 = plt.subplot2grid(shape = (3,3),  #布局形状9个 
					   colspan=3)#跨3列
ax1.plot(x, np.sin(10 * x))
ax1.set_title( 'ax1_title' )#设置ax1的标题、×lim ylim xlbale ylabl

#子图2
ax2 =plt.subplot2grid((3,3), (1, 0), colspan=2)
ax2.set_facecolor('green')
ax2.plot(x,np.cos(x) ,color = 'red' )
ax3 = plt.subplot2grid((3, 3),(1, 2), rowspan=2)
ax3.plot(x,np.sin(x) + np.cos(x))

#子图3
ax3 = plt.subplot2grid((3,3), (1, 2),rowspan=2)
ax3.plot(x,np.sin(x) + np.cos(x))

#子图4
ax4 = plt.subplot2grid((3,3),(2,0))
ax4.plot( [1,3],[2,4])

#子图5
ax5 = plt.subplot2grid( (3,3),(2,1))
ax5.scatter([1,2,3], [0,2,4])
ax5.set_xlabel('axs_x', fontsize = 12)
ax5.set_ylabel('ax5_y', fontsize = 12)

第五章 文本、注释和箭头

第一节 箭头

核心：

"""
x, y:箭头坐标
dx,dy:箭头x上的长度和y周的长度
length_includes_head: bool，箭头是否包含在长度之中，默认是false"""

plt.arrow(x,y,dx,dy,...)

例子：

#调入数据分析库
import matplotlib.pyplot as plt
import numpy as np

# 10行*2列
loc = np.random.randint(0,10,size = (10,2))plt.figure(figsize=( 10,10))
#输出图像，10行第1列,10行第2列
plt.plot(loc[: , 0], loc[:,1], "g*", ms = 20)
plt.grid(True)#路径: arange:等差数列，返回的0123456789
way = np.arange(10)

#shuffle(x)—{x :即将被打乱顺序的list ;返回主:‘}
np. random.shuffle(way)

#循环，返回的是索引
for i in range(0, len(way)-1):
	start = loc[way[i]]
	end = loc[way [i+1]]
	plt.arrow(start[0],start[1],
			  end[0]-start[0], end[1]-start[1],
			  head_width=0.2, 
			  lw=2,
			  length_includes_head = True)
	plt.text(start[0],start[1],s = i,
			 fontsize = 18,
			 color = 'red')    
	#最后一个点    
	if i == len(way) - 2:        
		plt.text(end [0],end[1],s = i + 1,
		fontsize = 18,
		color = 'red')        
#以上为视频代码, 箭头内容讲的很差

以下内容是我自己解释以及找的资料：https://blog.csdn.net/weixin_34080571/article/details/92302569

matplotlib.pyplot.arrow(
	x, y, 
	dx, dy,
	hold=None, **kwargs
	)
#参数
x, y : 箭头起点坐标
dx, dy : 箭头x上的长度和y轴上的长度

width: 箭头宽度，默认0.001

length_includes_head: bool，箭"头"是否包含在长度之中 默认False

head_width: float,箭"头"的宽度，默认: 3*width

head_length: float 箭"头"的长度，默认1.5 * head_width

shape: [‘full’, ‘left’, ‘right’]，箭头形状， 默认 ‘full’
overhang: float (default: 0)
head_starts_at_zero: bool (default: False)开始坐标是否是0

第二节 注释

核心：

"""
annotate()方法提供了辅助函数，使标注变得容易，
在标注中，
有2个要考虑的点，有
xy 的参数表示的标注位置 和 xytext 文本位置。
这2个参数都是(x，y) 元组
"""
ax.annotate(xy = , xytext = )

例子：

import matplotlib.pyplot as plt
# subplot ()返回的是2个对象，一个是初始化图，子图
fig, ax = plt.subplots()
#x轴数据
x = np.arange(0.0, 5.0, 0.01)
y = np.cos(2 * np.pi * x)
line = ax.plot(x, y, lw = 2)
ax.annotate(
	"local max",#文本内容
	xy=(2, 1),  #箭头位置坐标(2，1)
	xytext=(3, 1.5),  #文本坐标位置(3,1.5)
	arrowprops=dict(
		facecolor="black",  #black:箭头颜色为黑色
		shrink=0.05)  #shrink = 0.05
)
ax.annotate(
	"local min",
	xy=(2.5, -1),
	xytext=(4, -1.8),
	arrowprops=dict(
		facecolor="black",
		width=2,
		headwidth=10,
		headlength=10,
		shrink=0.1)
)
ax.annotate(
	"median",
	xy=(2.25, 0),
	xytext=(0.5, -1.3),
	arrowprops=dict(arrowstyle="-|>"),
	fontsize=20
)

ax.set_ylim(-2, 2)

第六章 常用视图

第一节 折线图

#视频例子
x = np.random.randint(0,10,size = 15)#取15个int类型的数据
plt.figure(figsize=(9,6)) #作图
plt.plot(x.cumsum() ,marker = 'o')

#多图布局:两个对象在不同图
fig,axs = plt.subplots(2,1)
fig.set_figwidth(9)

#多图布局: 两个对象在同一图
fig,axs = plt.subplots(2,1)
fig.set_figwidth(9)
fig.set_figheight(6)
axs[0].plot(x, marker = '*', color ='red')
axs [1].plot(x.cumsum() ,marker = 'o')

第二节 柱状图

2.1 堆叠柱状图

核心：

plt.bar( bottom = )

例子

labels=['G1','G2','G3','G4','G5','G6']
men_means = np.random.randint(20,35,size = 6)
women_means = np.random.randint(20,35,size = 6)
plt.bar(
	labels,
	men_means,
	width,yerr = 4,
	label = 'men')
plt.bar(
	labels,
	women_means,
	width, #若不设置则自动设置宽度    
	yerr = 2,
	bottom=men_means,
	label = women')

plt.ylabel("Score")
plt.title("Score by group and gender")
plt.legend("upper right")

2.2 分组带标签柱状图

核心：

#核心代码在这个函数
def set_label(rects):
	for rect in rects:
		height = rect.get_height()#高度
		plt.text(
			x = rect.get_x( ) + rect.get_width()/2,# 水平坐标
			y = height + 0.5, #竖直坐标
			s = height, #文本
			ha = 'center')#水平居中

例子

def set_label(rects):
	for rect in rects:
		height = rect.get_height()#高度
		plt.text(
			x = rect.get_x( ) + rect.get_width()/2,# 水平坐标
			y = height + 0.5, #竖直坐标
			s = height, #文本
			ha = 'center')#水平居中
x = np.arange(len(men_means))
rects1 = plt.bar(x - width/2 , men_means ,width) #返回区域对象
rects2 = plt.bar(x + width/2 , women_means ,width)
plt.xticks(x,labels)plt.ylabel("Score")
plt.title("Score by group and gender")
plt.legend("Men","Women")
set_label(rects1)
set_label(rects2)
plt.tight_layout()

第三节 极坐标图

3.1 极坐标线型图

核心：

plt.subplot(projecttion = 'polar')

例子

r = np.arange(0,4 * np.pi, 0.01)#弧度值
y = np.linspace(0, 2, len(r)) #目标值
ax = plt.subplot(111, projection = 'polar' ,facecolor = 'lightgreen')#定义极坐标
ax.plot(r, y, color = 'red')
ax.set_rmax(3)#设置半径最大值
ax.set_rticks([0.5, 1, 1.5, 2])#设置半径刻度
ax.set_rlabel_position(-22.5)#设置半径刻度位置
ax.grid(True)#网格线
ax.set_title("A line plot on a polar axis",
			 va = 'center',
			 ha = 'center',pad = 30)

3.2 极坐标直方图

核心：

N = x
theta = 
radius = 
ax.bar(
theta, 
radius, 
width = width,
bottom = 0.0, 
color = colors)

例子

#核心(用 ！表示)
N=8 #分成8份!
theta = np.linspace(0, 2*np.pi, N, endpoint=False)
radius = np.random.randint(3, 15,size = N)

widht = np.pi / 4
colors = np.random.rand(8,3) #随机颜色

ax = plt.subplot(111 , projection = "polar") # polar表示极坐标!
ax.bar(theta , radius , width = width ,bottom = 0.0, color = colors)

第四节 直方图

核心：

plt.hist()

例子

mu = 100  #平均值
sigma = 15  #标准差
x = np.random.normal(loc = mu, scale = 15,size = 10000)
fig, ax = plt.subplots() #返回2个对象#hist:直方图
n,bins, patches = ax.hist(x, 200, density=True)

#正太分布公式
y = ((1 / (np.sqrt(2 * np.pi)* sigma))*np.exp(-0.5 * ( 1 / sigma * (bins - mu))**2))

plt.plot(bins, y, '--')
plt.xlabel('Smarts') #指定横轴的文本
plt.ylabel('Probability density')#指定纵轴的文本
plt.title(r'Histogram of IQ: $\mu=100$，$\sigma=15$')

fig.tight_layout( ) #紧凑输出

第五节 箱型图

核心：

plt.boxplot()

例子

data = np.random.normal(size=(500,4))
lables = ["A", "B", "c", "D"]
plt.boxplot(data,1,"gD",labels = lables)

第六节 散点图

核心：

plt.scatter()

例子

data = np.random.randn(100,2)
s = np. random.randint(100,300 ,size = 100)
color = np.random.randn(100)

plt.scatter(data[:,0], data[:,1], s = s, c = color ,alpha=0.3)

第七节 饼图

核心：

plt.pie()

例子：

import matplotlib as mpl  #设置字符集，防止中文乱码
mpl.rcParams["font.sans-serif"] = [u'simHei']  #win自带的字体
#plt.rcParams [ 'font.sans-serif'] = ['Arial Unicode MS']#Mac自带的字体

mpl.rcParams["axes.unicode_minus"] = False
fig = plt.figure(figsize=(5, 5), dpi=100)  #dpi∶像素点密度1008

p1 = [43, 25, 32]
p2 = [7, 22, 14, 5, 14, 6, 32]

labels = ['小狗','小猫', '小鸟']
def func(pct):
	return '0.1f' % (pct) + '%'

plt.pie(p1, 
		autopct = lambda pct: func(pct),
		radius=1,
		pctdistance=0.85,
		wedgeprops=dict(
			linewidth=3,
			width=0.4,
			edgecolor='w'),
		labels=labels)

plt.pie(p2,
		autopct='%0.1f%%',
		radius=0.7,
		pctdistance=0.7,
		wedgeprops=dict(
			linewidth=3,
			width=0.7,
			edgecolor='w',
		))
		
plt.legend(labels, loc='upper right', 
		bbox_to_anchor=(0.75, 0, 0.4, 1), 
		title='宠物占比')

?第八节 热力图

核心：

#目的:特征之间的相关系数，皮尔孙、cos ( )
plt.imshow()

例子：

import numpy as np
import matplotlib
import matplotlib.pyplot as plt

#ylabel()
vegetables = [ "cucumber","tomato", "lettuce" ,"asparagus" , "potato","wheat","barley"]
farmers = list( 'ABCDEFG')
harvest = np.random.rand(7,7)*5

plt.rcParams ['font.size' ] = 18
plt.rcParams ['font.weight' ] = 'heavy'
plt.figure(figsize=(9,9))

im = plt.imshow(harvest)

plt.xticks(
	np.arange(len(farmers)), 
	farmers,rotation = 45, 
	ha = 'right')
plt.yticks(np.arange(len(vegetables)), vegetables)

for i in range(len(vegetables) ):
	for j in range(len(farmers) ) :
		text = plt.text(j, i, round( harvest[i,j],1), 
		ha = "center" , va="center" ,color='r')

plt.title("Harvest of local farmers (in tons/year)",pad = 20)
fig.tight_layout( )
plt.savefig('./热力图.png')

第九节 面积图

核心：

stackplot( ) #面积图

例子：

import matplotlib.pyplot as plt
plt.figure(figsize=(9,6))
days = [1,2,3,4,5]
sleeping =[7,8,6,11,7]
eating = [2,3,4,3,2]
working =[7,8,7,2,2]
playing = [8,5,7,8,13]

plt.stackplot(days,sleeping,eating,working,playing)

plt.xlabel('x')#设置横轴文本的标记
plt.ylabel('y') #设置纵轴文本的标记
plt.title('Stack Plot',fontsize = 20)
plt.legend(['sleeping', 'Eating', 'working', ' Playing'],
	fontsize = 18)